研究发现多数 VLA 预训练后丢失视觉语言能力

DJiafei · x · 2026-11-16

Ville Kuosmanen 等人的研究指出,大多数视觉-语言-动作模型(VLA)在预训练过程中会丢失其底层 VLM 的视觉语言能力。通过分离开源 VLA 中的 VLM 权重并直接在视觉语言基准上评测,作者发现模型可分为三类,揭示了 VLA 训练流程对通用多模态理解能力的侵蚀问题。

所属事件:研究称多数 VLA 预训练后丢失底座视觉语言能力(2 条相关)→

原文链接 →

「具身」频道最新

更多「具身」频道 AI 资讯 →